Unverified50% confidenceFactExact time
在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，参数量或训练数据的继续增加对准确率的边际贡献快速衰减
1
Sources
50%
Confidence
Long-term
Relevance
7/14/2026
First Seen
Sources
Related Claims
Verified过拟合是指模型在训练数据上表现优异，但在未见过的测试数据上性能大幅下降的现象84% similarUnverified文生图模型的理解本质上是大规模统计关联，面对训练集中稀少出现的长尾概念时生成质量会显著下滑81% similarUnverified在收敛型任务上，模型达到一定规模后存在明显的性能饱和现象，即scaling law的收益递减区间79% similarUnverified提升模型单步精度的边际收益远不如缩短任务链条、增加检查点78% similarUnverified低精度引入的数值扰动会在RL的多轮迭代中通过策略梯度的乘积形式被放大，可能导致训练崩溃或模型性能退化78% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/509183API
curl https://kongchang.com/api/v1/knowledge/claims/509183MCP
get_claim(id=509183)